Evaluación operacional del desempeño de un sensor de bajo costo para monitoreo de material particulado atmosférico en diferentes condiciones ambientales

Abstract

Nuevas oportunidades de estudio y conocimiento se han ido desarrollando debido a la implementación de los sensores de bajo costo. Este nuevo método de monitoreo del aire permite conocer con mejor resolución espacial-temporal la contaminación del aire y sus posibles usos se clasifican en 5 niveles según la Agencia de Protección Ambiental de Estado Unidos (USEPA), estos son: I) Educación, II) Identificación de fuentes, III) Monitoreo suplementario, IV) Exposición personal, V) Monitoreo para la regulación. Cada uno de estos niveles requieren distintas exigencias en la calidad de sus mediciones siendo el nivel I) el menos exigente y con más margen de error. Se ha demostrado que los sensores de bajo costo muestran variaciones en sus respuestas en las distintas condiciones ambientales y para su correcta utilización se requiere evaluar operacionalmente en las diferentes condiciones ambientales, que se puede realizar mediante una co-localización con un instrumento de referencia o federal. Esta metodología permite conocer las diferencias entre ambos instrumentos y en qué condiciones ambientales se acentúan más. En este trabajo se realizó una co-localización que permitió un monitoreo simultáneo y en las mismas condiciones ambientales de dos sensores PMS7003 con un monitor de referencia GRIMM Model 11C durante un periodo de 9 meses con la finalidad de evaluar el desempeño del sensor y desarrollar modelos matemáticos de regresión para corregir la respuesta del sensor de bajo costo en función de las concentraciones del monitor de referencia. La comparación del sensor con el monitor de referencia se llevó a cabo mediante criterios estadísticos establecidos por la USEPA, pruebas de contraste y comparaciones gráficas de 𝑃𝑀10, 𝑃𝑀2.5 y 𝑃𝑀1 en distintas concentraciones de partículas xvi y condiciones de humedad relativa y temperatura ambiental. Esto se realizó con la finalidad de evaluar el desempeño del sensor y ser corregido mediante modelos matemáticos de regresión, para su correcto uso según los criterios establecidos por la USEPA. Se obtuvo diferencias en el desempeño del sensor según el tamaño aerodinámico medido y las condiciones ambientales. La mejor respuesta del sensor de bajo costo se obtuvo para la fracción 𝑃𝑀1 y sin variaciones con respecto a las condiciones del ambiente, pero no es suficiente para su uso en los 5 niveles establecidos por la EPA y se llevó a cabo una corrección de su respuesta mediante un modelo matemático de regresión lineal simple. El desempeño del sensor para 𝑃𝑀2.5 disminuyó en bajos niveles de concentración de partículas. En invierno, se encontraron los mejores desempeños y se logró clasificar su uso en los niveles de Educación, identificación de fuentes y exposición personal. Se aplicó 3 modelos de corrección diferentes, siendo el modelo cuadrático con valores límites el mejor modelo evaluado. Las mediciones del sensor para 𝑃𝑀10 fueron las que presentaron una menor correlación con el sensor de referencia y se notó un efecto de las concentraciones ambientales, humedad relativa y temperatura que afecta a su respuesta. No se logró clasificar su uso en ninguno de los 5 niveles y su corrección se realizó mediante 2 modelos diferentes, siendo el modelo lineal con valores límites que mejoró considerablemente la respuesta del sensor.

The implementation of low cost sensors has opened up new opportunities and knowledge. These new air monitoring methods allows knowing air pollution with a better spatial-time resolution. Its possible uses are classified into 5 levels according to United States Environmental Protection Agency (USEPA), these are: I) Education, II) Hotspot identification and characterization, III) Supplemental Monitoring, IV) Personal Exposure, V) Regulatory Monitoring. Each of these levels require a different demand of quality of measurement, with the level I) being the least demanding. Low-cost sensors have been shown variations in their responses under different environmental conditions. In order to validate and ensure a good performance it is necessary to evaluate them operationally in different environmental conditions. The correct implementation of these sensors is possible through the collocation with Federal or Reference Method Monitors. This methodology makes it possible to know the differences between both methods and the environmental conditions that explain them. In order to assess the low-cost sensor performance a simultaneous monitoring of PM1, PM2.5 and PM10 with a low-cost sensor PMS7003 and a reference monitor GRIMM Model 11C was performed. Monitoring was carried out for a period of 9 months. Comparisons of the sensor with the monitor reference was done through statistical test, statistical criteria of USEPA and graphical comparisons in different ambient conditions (temperature and relative humidity) and particle concentrations. Different correction models were proposed to improve the performance of the low-cost sensors under the USEPA statistical criteria’s. xviii Differences in the sensor performance were obtained according to the aerodynamic size of particles and environmental conditions. Good agreements between PM7003 and GRIMM were obtained for 𝑃𝑀1 regardless the environmental conditions. However, performance was not enough for using it under the five levels of USEPA statistical criteria’s. Consequently, a simple linear model was developed for the sensor correction. Sensor performance for 𝑃𝑀2.5 was lower in low particle concentrations levels. The higher performance was found in winter, making it possible to classify its use in levels for: Education, Hotspot identification, characterization, and personal exposure. In order to improve the sensor response, three different statistical models were applied. Quadratic regression model showed the higher performance to correct the response of the low-cost sensor. Sensor measurements for 𝑃𝑀10 showed the lowest agreement with the reference monitor. Particle concentrations, relative humidity and temperature affected the sensor performance. It was not possible to classify its use under the five level criteria. This issue was corrected by two statistical models. Finally, the model that was best suited for improving the sensor performance was the linear model with limit values.